# Voice Notes > 免費瀏覽器錄音筆記本：邊錄邊出逐字稿、即時翻譯，不用 bot 進會議。Whisper、Qwen3-ASR 靠 WebGPU 在顯示卡上跑，沒 GPU 就退回 CPU；翻譯 Hy-MT2，匯出 SRT／M4A。 - URL: https://bytescope.dev/zh-Hant/voice-notes/ - Locale: zh-Hant · Also: [en](https://bytescope.dev/en/voice-notes.md) · [ja](https://bytescope.dev/ja/voice-notes.md) - Runs: 檔案不會離開你的瀏覽器 — 全部在本機處理。 - Requires: Recording tab audio, Chrome Speech Recognition, Gemini Nano and both translation engines need Chrome or Edge on desktop. Transcribing a microphone with a downloaded Whisper model runs in any browser with WebGPU (Whisper base also on WebAssembly). Playing back, editing, importing and exporting saved sessions works in any modern browser. - Updated: 2026-09-08 ## What it does 這是一個純瀏覽器的錄音筆記本：一邊錄音、一邊產生帶時間戳記的即時逐字稿，還能同步翻譯成另一種語言對照顯示。不管是開會、上課還是隨手的口頭筆記都適用，你可以只錄麥克風、只錄瀏覽器分頁的聲音，或把兩路混成同一條音軌——負責辨識的引擎由你挑，負責翻譯的也是。 市面上的 AI 會議助理，多半得派一隻 bot 進你的視訊會議，或要你把錄音檔上傳到別人的伺服器。這個工具不一樣：錄音、逐字稿編輯和資料儲存都在你自己的裝置上完成；語音辨識會不會離開電腦，則要看你選的引擎——Whisper 模型和 Chrome 的本機辨識都把聲音留在本機，Chrome 內建語音辨識的預設模式則會把音訊送到 Google 的伺服器，引擎徽章會寫明是哪一種。翻譯不管選哪個引擎都在本機。敏感的討論內容不會經過第三方伺服器，逐字稿檢視、全文搜尋和多種匯出格式卻一樣不少。 兩個選擇器，互不干涉。錄音中，語音辨識選擇器提供 Chrome 內建的語音辨識——不用下載，邊講字邊出來——或下載一次、之後用 WebGPU 在你電腦上跑的 Whisper 模型（base 或 small），它是一句一句出字；你的 Chrome 有提供的話，也可以選 Gemini Nano。停下來之後，可以再用更重的模型把整段錄音重新轉錄一次——Whisper large（v3-turbo）是準的那個——所以即時逐字稿可以求快，存下來的那份可以求對。翻譯選擇器則有 Hy-MT2——1.8B 的模型，下載一次（約 1.3 GB）、之後用 WebGPU 在你的顯示卡上跑，這台電腦有可用的 GPU 就推薦它——或 Chrome 內建的 Translator、Gemini Nano，或不翻譯。任何下載都會先問過你：這台電腦還沒有的模型，會先顯示大小、剩餘空間、你是不是在行動網路上，你按了才開始；下載、驗證、載入記憶體、暖機各自有進度；「測試速度」會拿一段內建的短音訊跑一次，告訴你這台電腦即時跟不跟得上。下載好的模型只存一份，所有 ByteScope 工具共用。 ### 模型 即時與重新轉錄：Chrome Speech Recognition（Web Speech：不用下載，邊講字邊出；沒裝本機語言包時音訊會送到 Google）、Whisper base 和 Whisper small（本機跑，輕快）、Whisper large v3 turbo（有可用的顯示卡時，錄完的英文、中文、日文錄音通常推薦它）、Qwen3-ASR 0.6B（沒有 GPU 時通常推薦它）、Qwen3-ASR 1.7B（比較大的那個 Qwen3-ASR）、Confucius4-R2T2（簡稱 R2T2，在 GPU 上逐字串流）、Gemini Nano（Chrome 內建）。精準時間戳（只在重新轉錄時）：Qwen3-ForcedAligner 0.6B——選配、預設關閉、約 1.85 GB。翻譯：Hy-MT2 1.8B（Tencent Hunyuan-MT 2，在你的 GPU 上跑，有可用顯示卡時就是預設）、Chrome Translator（沒有 GPU 時的預設）、Gemini Nano。全部在瀏覽器裡跑：Whisper、Qwen3-ASR、R2T2、Hy-MT2 和 ForcedAligner 都是透過 WebGPU 在你的顯示卡上跑，「通用 GPU」版照顧沒有 shader-f16 的舊卡（例如 GTX 10 系列），「快速 GPU」版在顯示卡支援時改用 f16，沒有可用的 GPU 時，Whisper、Qwen3-ASR 和 ForcedAligner 會退回 CPU（WebAssembly，慢一些），R2T2 即時模式就不會用，翻譯則從 Hy-MT2 改成 Chrome Translator。在這裡下載的模型所有 ByteScope 工具共用。 錄音當下可以隨手幫重點段落加書籤，停下來之後再回頭修正辨識錯誤的字句。音訊可以存成 M4A 或 WebM，字幕則能匯出 SRT、VTT 或 TXT。每一場錄音都保存在瀏覽器的本機資料庫裡，之後可以跨場次搜尋逐字稿，也能整份備份還原。 逐字稿要在寫出來的當下讀得到才有意義，所以字幕和翻譯可以整份彈進浮動視窗。用的是 `documentPictureInPicture`——跟浮動影片同一套「永遠置頂」的機制，只是裡面裝的不是影片，是一整份文件。作業系統會把這個視窗一直保持在最上面，連你正在轉逐字稿的那個視訊會議、或任何全螢幕的程式都壓不過它。錄音也一起搬過去：經過時間、暫停、加書籤、停止，跟原文／翻譯／雙軌的切換、文字級數、即時翻譯開關並排在視窗裡。於是你可以在這個分頁錄音，在通話畫面上方跟著讀，對方講出日期的那一刻直接打標記——不必回頭去找按鈕。把視窗關掉，字幕就收回頁面，錄音完全不受影響。 說話者標記的做法刻意做得很單純。同時錄麥克風和分頁聲音時，工具會比較每一句話期間哪一邊比較大聲，然後標成「你」或「對方」，就這樣。它不是聲紋辨識：通話另一端的所有人都會被歸成同一個「對方」，視訊會議裡有三個人跟你講話，標記也全是一樣的；只開一條來源的話，就完全不會標。想把對面那幾個人分開，另外有一個實驗性的「分辨說話者」功能，會依每個人的聲音把每一句分成「說話者 1、2、3」——那是用猜的，多常猜錯寫在下面的常見問題裡。會議筆記也一樣在本機完成，摘要、重點、待辦與決議都是由 Chrome 內建的模型（`Summarizer` 和 `Prompt API`）在你自己的裝置上生成，逐字稿不會離開瀏覽器。 搜尋也可以用「意思」找，不只比對字面。搜尋框旁邊有一個「找意思相近」開關，打開之後，輸入「預算不夠」也能找到原話是「經費卡住了」的那一句，每個結果都會標出是字面命中、意思相近，還是兩者都中。背後跑的是 EmbeddingGemma 2 文字模型，第一次使用要下載大約 234 MB，之後就留在瀏覽器裡；它需要有 WebGPU 的瀏覽器，也就是桌面版 Chrome 或 Edge，其他瀏覽器沒辦法用這個開關。先把限制講清楚：結果是依「意思有多接近」排序，不是真的看懂內容，很抽象的詞效果會很差。它只看文字，所以語音辨識本身聽錯了，意思也會跟著跑掉。錄音和文字都不會上傳，索引也只存在這個瀏覽器裡；清掉網站資料之後，下次打開開關會重新建一次。 ## Limits Does not join meetings as a bot, does not upload audio, and does not transcribe in the background once the tab is closed. ## FAQ ### 錄音前需要事先告知在場其他人嗎？ 需要，沒有例外。開始錄任何對話或會議之前，你必須先明確告知所有在場的人和通話對象，並取得他們的同意。未經告知的錄音在許多地區屬於違法行為，可能構成非法竊聽，讓你面臨刑事責任與求償。務必先取得每一位參與者的同意再按下錄音。 ### 會有 bot 自動加入我的 Google Meet 或 Zoom 會議嗎？ 不會。這個工具不會派任何 bot 或第三方帳號進你的會議室，而是用瀏覽器內建的網頁 API 直接擷取分頁音訊或麥克風聲音，你的視訊通話裡不會多出任何陌生成員。 ### 模型該選哪一個？ 錄音中，問題是這台電腦跟不跟得上。有能用的顯示卡時，英文、中文、日文預設是 Confucius4-R2T2，邊講字邊出來，除非它在這台電腦的測速結果是跟不上。沒有的話，只要 Chrome 內建的語音辨識能用，就推薦它——不用下載、邊講字邊出來；不過中文和英文如果已經下載了 R2T2、而且測速結果是順的，還是會先推薦 R2T2。Chrome 語音辨識的預設模式會把音訊送到 Google，徽章會寫明。Whisper base 或 small 在你的分頁裡用 WebGPU 跑、什麼都不送出去，一句一句出字——先按卡片上的「測試速度」，頁面會告訴你這台電腦即時跟不跟得上，再決定要不要靠它。停下來之後就不趕時間了，準確度才重要：用標著推薦的模型把錄音重新轉錄一次。有顯示卡時常常是 Whisper large（v3-turbo），Whisper 裡最重的那個；沒有的話常常是 Qwen3-ASR 0.6B，日文如果已經下載了 Qwen3-ASR 1.7B 就用它。即時逐字稿留著當備用就好。重新轉錄時也可以打開「精準時間軸」（預設關閉）：第二個本機模型 Qwen3-ForcedAligner 0.6B（要多下載一次大約 1.85 GB，有顯示卡跑最快）會把任何語音模型的逐字稿——包括 Chrome 內建語音辨識——英文逐字、中文和日文逐個字對回音訊，每句字幕都從真正開口的地方開始、講完就結束；中文、英文、日文完整支援，韓文不支援。翻譯的話，電腦有可用的 GPU 時預設是 Hy-MT2——我們盲測比較下來它比 Chrome 的 Translator 準——除非測速顯示它跟不上現場語音；其他情況下，Chrome 的 Translator 是快的預設選項，每個語言配對一個小語言包；Gemini Nano 是比較大的內建模型，每句比較慢。 ### 錄音與逐字稿資料會被上傳到雲端伺服器嗎？ 錄音、逐字稿、儲存和檔案匯出全部留在你的瀏覽器裡。語音辨識要看引擎：Whisper 模型，以及裝了本機語言包的 Chrome 內建語音辨識，都完全在你的電腦上轉文字；Chrome 內建語音辨識的預設模式則會把音訊送到 Google 的伺服器，卡片上的徽章會寫明。什麼都不能離開電腦的話，選 Whisper。翻譯和會議筆記不管選哪個引擎都在裝置上跑。 ### 如果錄音中途瀏覽器意外崩潰或關閉怎麼辦？ 錄音資料和逐字稿每隔幾秒就會寫進瀏覽器的本機資料庫。就算瀏覽器當機或不小心被關掉，重新打開時場次清單會標出那筆被中斷的錄音，當機前存下的音訊和文字都能一鍵找回來。 ### 切到別的程式之後還能繼續看逐字稿嗎？ 可以。錄音中按「浮動字幕」，最新幾行連翻譯會一起搬進浮動視窗，浮在所有視窗上面，全螢幕的通話也蓋不掉它。經過時間、暫停、加書籤、停止都在那個視窗裡，要結束錄音不用回頭找這個分頁；焦點在浮動視窗上時，B 鍵照樣可以在當下打標記。浮動視窗要 Chrome 或 Edge 116 以上才有；其他瀏覽器逐字稿就留在頁面裡，而且會在支援對照表裡直接寫明，不會偷偷把按鈕藏起來。 ### 說話者標記是聲紋辨識嗎？ 不是。它只是拿麥克風和分頁聲音這兩條音軌，逐句比較哪一邊比較大聲，大的那邊就當成說話的人。所以它只分得出「你」和「其他所有人」：對方有幾個人都會一起被標成「對方」，只錄一條來源的話沒有東西可以比，就不會標。用喇叭外放時對方的聲音也會進到你的麥克風，有些句子會被翻成「你說的」，所以戴耳機結果最乾淨。另外還有一個實驗性的「分辨說話者」，會依聲音把每一句分成「說話者 1、2、3」，對面那幾個人確實分得開——但它一樣只是把聲音分組，不會認出任何人是誰。 ### 通話裡有好幾個人，能把他們的話分開嗎？ 有實驗性的做法。只要這段紀錄已經有逐字稿、也有存下來的錄音，按「分辨說話者」就會依每個人的聲音把每一句分成「說話者 1、2、3…」；人數可以留自動，也可以指定 2–10 人。幫某個說話者改一次名字，他的每一句都會跟著改。匯出時勾「標出說話者」，SRT 會在每句前面加 `[名字] `，WebVTT 用 `` 的 voice 標籤，TXT 會把連續同一個人講的句子歸在名字底下；這個模式不會再加「你／對方」的前綴，沒勾的話檔案跟以前一模一樣。它只會把聲音分組，不會認出任何人是誰；兩個模型都在這個瀏覽器裡跑，這一步不會把任何東西送出去。第一次要下載 31 MB 的模型（pyannote segmentation-3.0，MIT 授權；WeSpeaker ResNet34-LM，CC BY 4.0），之後留在瀏覽器裡；有 WebGPU 的話一小時音訊幾分鐘就好，沒有就改用 CPU，每 10 分鐘音訊大約要等 6 分鐘。準確度要老實講：用公開的測試錄音試下來，有 9–26% 的說話時間沒被標出來或標錯人。真實會議裡大家搶著講話的段落佔了錯誤的 40–46%，「嗯」「對」這種很短的回應大多會錯，而猜錯人數影響最大——有一段錄音只因為把兩個人併成一個，錯誤率就從 13% 跳到 39%。自己指定人數也不一定比較好，因為它一樣可能把真的兩個人併在一起。中文很短、輪得很快的對話比較容易漏掉；日文目前只用合成的對話測過。 ### 摘要會上傳到哪裡嗎？ 不會。摘要、重點、待辦與決議都是由 Chrome 內建的模型在你的裝置上生成，逐字稿不會離開瀏覽器，也不會送到任何伺服器。遇到模型不直接支援的語言，會先在本機翻成英文再做摘要。模型下載好之後，就算離線筆記也照樣能用。 ### 可以用意思來搜尋，不用打一模一樣的字嗎？ 可以。搜尋框旁邊有「找意思相近」開關，預設是關的，平常搜尋只比對你打的字。第一次打開會先跳出確認框，告訴你要下載大約 234 MB 的模型，你按下去才會開始抓，之後就留在瀏覽器裡不用再下載。這個功能需要 WebGPU，目前只有桌面版 Chrome 和 Edge 能用；在其他瀏覽器上不會出現這個開關，一般的字面搜尋照常能用。 ### 為什麼摘要按鈕是灰的？ 這表示目前這個瀏覽器沒有可以跑摘要的內建 AI 模型，按鈕下方會寫出少了哪一項。摘要和重點需要桌面版 Chrome 138 以上並且有 `Summarizer`；待辦與決議還要再加上 Chrome 148 以上的 `Prompt API`。如果只是模型還沒下載，按第一次就會開始抓，並顯示進度。錄音和逐字稿本身不受影響，任何支援的瀏覽器都能用。 ## Related tools - [Live Captions](https://bytescope.dev/zh-Hant/live-captions.md) - [Subtitle Converter](https://bytescope.dev/zh-Hant/subtitle-converter.md) - [Mic Test](https://bytescope.dev/zh-Hant/mic-test.md)